关键字 |
| 颜色分割、边缘增强、blob测量,霍夫变换。 |
介绍 |
| 银行使用比尔计数器列举的钱。但当客户想要支付大量的现金到银行,银行工作人员maymake错误计算总额的数量和一个卢比,两卢比,5卢比,10卢比硬币使用。从不同的外汇类似一些硬币。所以有时候很难区分它们通过人类的眼睛里,尤其是大量的硬币。 |
| 此外,由于全球化,银行经常收到外汇,员工可能不承认。慈善机构作为银行面临同样的情况,因为捐赠者来自世界各地。因此有必要开发一个系统,可以帮助他们识别和计算他们收到的钱。 |
| •问题陈述 |
| 大多数传统识别方法用于老虎机,通过测试物理性能等硬币的大小,重量和材料。然而,如果物理相似性之间存在不同货币的硬币,硬币那么传统测试人员无法区分不同的硬币。 |
| •目标 |
| 这个项目的主要目的是应用计算机视觉技术来开发一个项目,应该认识到硬币一个图像,并列举他们的价值。也有一台电脑读取图像并计算总额的硬币的形象。有几种技术,如图像颜色分割、图像边缘检测、噪声过滤和脚腕转换等等。 |
文献调查 |
| 有各种方法不同研究者提出的基于图像的硬币识别。大部分的方法提出到现在可以申请认可的现代硬币。 |
| 1992年Minoru Fukumi等人提出了一个硬币旋转不变的神经模式识别系统识别[1]。在这工作他们已经创建了一个多层神经网络和预处理程序还包含很多的神经元。这个预处理器用于得到旋转不变的多层神经网络的输入。在预处理神经元的权重,使用圆形阵列的概念而不是方格。 |
| 1993年Minoru Fukumi等人试图达到100%的准确率为硬币[2]。在这工作他们利用反向传播神经网络和遗传算法设计的硬币识别。反向传播用于训练网络。 |
| 1996年保罗Davidsson硬币分类提供了一个方法使用决策树学习特点通过控制程度的泛化[3]。通过ID3决策树构造算法无法探测的实例类别没有出现在训练集的例子。而不是被拒绝,这种情况下得到分配到一个类中训练集hieve识别准确率100%。米甲中止et al .弧Seibersdorf研究中心在2003年开发了一个硬币识别和排序系统称为Dagobert [4]。这个系统是设计用来快速大量的现代分类30个不同国家的硬币。 |
| 2004年,赛斯麦克尼尔等人提出了一个硬币识别系统识别我们硬币使用矢量量化和直方图建模[5]。该系统主要集中在各种图像的纹理印在硬币的尾巴。基于不同的图像纹理系统区分秃鹰的季度,自由的火炬分钱,托马斯·杰斐逊的房子在硬币上的镍和林肯纪念堂。实验表明,188 200枚硬币图像的正确分类。因此,识别准确率达到94%。 |
该方法 |
| 硬币识别的方法包括图像采集、分割、边缘增强、边缘检测、blob测量最后数硬币的总价值。 |
| 本文使用最合适的计算策略应该图匹配。根据这一战略,硬币应该分为不同的群体的特性。本文中使用的特性可能是颜色和半径 |
| 介绍了形态学操作硬币硬币的价值总量的检测和枚举。应该建立程序的工作条件来提高程序的效率和有效性。因为有数百个条件如何硬币上显示一个图像。例如,一枚硬币的大小和形状也可以根据不同相机的位置,抓住了硬币。如果相机放置的硬币,硬币的形状将一个圆。否则,将椭圆形状的硬币。如果相机放在硬币,硬币大小的图像被摄像机相对比的大小硬币被放在远离硬币的相机。尽管这两个问题可以通过使用规模,解决这个项目的时间是有限的 |
| 下面的图显示了方法的流程图 |
| 答:条件: |
| •照明条件 |
| •距离和位置 |
| •垂直的图像采集 |
| •照顾表面是干净的 |
| •相机的位置是固定的 |
| b算法: |
| 第一步:阅读输入图像 |
| 步骤2:将输入图像转换为灰度图像 |
| 第三步:图像分割 |
| 步骤4:边缘增强的图像分割。 |
| 第五步:边缘检测后的提高 |
| 第六步:标签的对象 |
| 第七步:blob标记对象的测量 |
| 第八步:结果的价值的硬币 |
| 第一步:阅读输入图像和ColorSegmentation |
| 在这个阶段,好的相机是用来捕捉的硬币图像。输入图像上的硬币应该分为组根据他们的颜色。输出图像应该属于同一颜色组硬币在输入图像。这个阶段分为四个步骤。 |
| •选择颜色。 |
| •计算选定地区的“平均”色彩,叫做的意思。 |
| •找到相似性的衡量每种颜色像素在选定的地区和均值,即阈值。 |
| •段输入图像上的硬币与相同的颜色选择地区利用均值和阈值。 |
| 步骤2:边缘增强 |
| 在步骤1,分割后图像包含的硬币在同一颜色组导出为一个二进制图像。然而,硬币在这个输出图像的像素没有硬币的连接,因为并不是所有的像素可以发现在步骤1中。为了提高霍夫变换的精度,需要硬币的清晰的边缘。换句话说,边缘增强是必需的。的子步骤如下所示: |
| •减少噪音。图像上的孤立像素应该在这个阶段被移除。 |
| •填补该地区。填补空缺在硬币为了恢复丢失的像素阶段。现在硬币的边缘应该清楚。 |
| 步骤3:边缘检测 |
| 在步骤2中,图像包含了边缘的硬币是输出。下一步是检测边缘的硬币,在应用形态学算法增强边缘,可以看到硬币的边缘很明显显示在图像。现在使用边缘检测器寻找硬币的边缘。本文选择精明的边缘检测器输出。没有子所需的步骤 |
| Step.4: Blob测量(霍夫变换圆圈) |
| 使用精明的边缘检测器后,硬币的边缘应该是出口。现在使用霍夫变换算法来分析这些边缘像素,所以霍夫变换算法用于检测圈(硬币的形状)。一旦发现中心和圆的半径,硬币在同一组的值可以计算。 |
结果和快照 |
| 该方法是使用MATLAB实现2013。结果进行了分析。快照显示了MATLAB仿真后的结果 |
| 上面的快照说明程序GUI选择形象,包括输入图像,测试图像,硬币匹配,测试的结果,识别,最后硬币的价值。 |
| 上面的快照说明硬币的结果匹配。首先选择输入图像和与选定的图像相比,最后输出结果。 |
| 上面的快照显示了硬币的结果匹配和总价值的硬币的结果。在这里首先图像识别,然后半径计算,最后输出结果。也显示10卢比硬币使用的数量。 |
| 上面的快照显示了硬币的结果匹配和总价值的硬币的结果。这里首先图像识别,然后每个硬币都是半径计算,最后输出结果。也显示两个卢比硬币使用的数量。 |
结论和未来的工作 |
| 硬币识别使用形态学操作显示了硬币识别积极的迹象。图像分割作为第一步减少总时间需要执行程序。边缘增强提供了清晰的边缘硬币硬币来提高精度的检测。团也给提供精确的测量结果。 |
| 未来的工作将包括修改技术的同时合并其他的图像处理技术,如神经网络训练使用边缘检测这将使这个过程从依赖标准光强度和标准硬币和相机之间的距离在图像采集过程中添加过程的准确性。 |
表乍一看 |
 |
| 表1 |
|
数据乍一看 |
|
|
|
|
引用 |
- m . Fukumi Omatu,”神经彭定康旋转不变识别系统与应用程序的硬币识别”,IEEE反式。神经网络,第三卷,2号,第279 - 272页,1992年3月
- Minoru Fukumi et al。”试图达到100%的准确率硬币”.1993
- 保罗Davidsson“硬币分类的方法使用决策树学习特点”.1996
- m . N¨大车,p .哈拉尔德,R·迈克尔·k·梅耶,即霍尔¨还多,R。Granec, .Dagobert——“一个新的硬币识别和分类系统。Proc。格言数字图像计算技术及应用”,试329.338.2003页。
- 赛斯麦克尼尔et al。”美国硬币硬币识别系统识别使用矢量量化和直方图建模”,2004。
- 问麦克林托克j·布诺温,迈克,克里斯汀·默里,安琪拉洲,“自动硬币计数器”。
- D。张和l . Guojun。“Shape-based图像检索使用通用傅里叶描述符”,常见的信号处理:图像。,17卷,不。10 pp.825.848 2002
- 佩雷特e . Ashbridge扩散指数,M.W. Oram和t . Jellema”形象定位和大小对目标识别的影响:反应只猕猴颞叶皮层的单个单位”,认知神经心理学卷。17:1/2/3,13-34,2000页。
|
菜单
